解释性文章

干预分布和图变异与 do-算子

PyMC 是开源贝叶斯统计生态系统的关键组成部分。它每天帮助解决各行各业和学术研究领域的实际问题。它之所以能达到这种实用程度，是因为它在解决贝叶斯统计推断问题时具有可访问性、强大功能和实用性。

通常在进行回归时，我们对某些分布的条件均值进行建模。常见的情况是连续无界响应的正态分布、计数数据的泊松分布等。

比较模型的“贝叶斯方法”是计算每个模型的边际似然 \(p(y \mid M_k)\)，即给定 \(M_k\) 模型，观测数据 \(y\) 的概率。这个量，边际似然，只是贝叶斯定理的归一化常数。如果我们写出贝叶斯定理并明确所有推断都依赖于模型，我们可以看到这一点。

近似贝叶斯计算方法（也称为无似然推断方法）是一组为在似然函数难以处理或评估成本高昂的情况下推断后验分布而开发的技术。这并不意味着似然函数不是分析的一部分，只是我们正在逼近似然函数，因此得名 ABC 方法。

准实验涉及实验干预和定量测量。然而，准实验不涉及将单元（例如，细胞、人、公司、学校、州）随机分配到测试组或对照组。由于无法进行随机分配，因此在做出因果声明时会带来问题，因为它使得更难以论证对照组和测试组之间的任何差异是由于干预而不是由于混杂因素造成的。

贝叶斯加法回归树 (BART) 是一种非参数回归方法。如果我们有一些协变量 \(X\) 并且我们想用它们来建模 \(Y\)，则 BART 模型（省略先验）可以表示为